Professional Documents
Culture Documents
Espacio muestral
={1, 2, 3, 4, 5, 6}
Algunos sucesos
A=resultado par= {2, 4, 6}
B=resultado mayor de 2= {3, 4, 5,6}
={0+,0-, A, B, AB}
E3:
Peso
persona
=cualquier n
positivo=[0,)
={0, 1, 2, 3, 4...}
de
una
Sucesos
incompatibles,
disjuntos
o
mutuamente
excluyentes
son
aquellos
que
no
pueden
ocurrir
simultneamente, es decir:
A y B son sucesos disjuntos si AB=
y Ai
i1
A B
{2, 3, 4, 5, 6}
A B
{4, 6}
Ac
resultado impar= {1, 3, 5}
{0+,0- A, B, AB}=
(70, 80)
{2, 3}
{HHH}
=B
[0, )=
{0, 1, 2, 3, 4, 5}
{VHH, HVH,
HHH}=A
HHV,
n de casosfavorables
n decasosposibles
hemos de suponer mientras no se nos diga lo contrario, los cuatro resultados son
igualmente probables, por lo que ser de aplicacin la frmula de Laplace. As, si
A={Ha salido una cara}={C+, +C}, p(A)=2/4=0,5.
pregunta: Hay algn experimento de la tabla 1 en que la definicin clsica
de probabilidad no sera aplicable?.
Ejemplo 2. Supongamos ahora un experimento consistente en lanzar dos dados no
cargados simultneamente. El espacio muestral estar constituido por las 36
parejas de valores resultantes de combinar cada una de la 6 caras de un dado con
las 6 caras del otro, a saber, S={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),(2,3),
(2,4),(2,5),(2,6),(3,1),(3,2),(3,3),(3,4),(3,5),(3,6),(4,1),(4,2),(4,3),(4,4),(4,5),(4,6),
(5,1),(5,2),(5,3),(5,4),(5,5),(5,6),(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)}.
Al
no
estar
cargados los dados, todos los resultados son igualmente probables y nuevamente
podemos utilizar la frmula de Laplace. Sea A={la suma de las caras es menor que
5} entonces A contiene los puntos, A={(1,1),(1,2),(1,3),(2,1),(2,2),(3,1)} y
P(A)=6/36=1/6.
hombr
e
mujer
total
casad
o
60
solter
o
25
viud
o
5
Sep/di
v.
10
total
62
122
23
48
6
11
9
19
100
200
100
P(A B)
P(B)
P(V H)
5 / 200
5
0,05
P(H)
100/ 200 100
P(H C) 60/ 200 60
0,49
b) P(H| C)
P(C)
122/ 200 122
a) P(V | H)
HD
Alicant
e
Valenci
a
Castell
n
total
DPC
A
25
TRAN
S
92
total
381
HDD
M
2
882
12
38
271
1204
162
41
207
1425
18
64
404
1911
500
P(TRANS
V ) 271
0,2250
P(V )
1204
P(TRANS
A) 92
| A)
0,1840
c) P(TRANS
P( A)
500
P(TRANS
C)
41
| C)
0,1980
d) P(TRANS
P(C)
207
| V)
b) P(TRANS
A1
B
A2
A3
0,26
0,65
0,4
P(Ai | B)
P(B| Ai ) P(Ai )
P(B| Ai ) P(Ai )
n
P(B)
P(B| Ai) P(Ai)
i1
Ejemplo 6. En las tres regiones de un pas (R1, R2 y R3) se declar una epidemia
de clera. En R1 hubo un 25% de contagios, en R2 un 8% y en R3 un 14%. Por otra
parte 10% de la poblacin del pas vive en R1 y el 40% en R2.
a) Calcular la probabilidad de que un habitante del pas que ha sido contagiado
viva en la regin 3.
b) Si se extrae un individuo al azar de la poblacin, Cual es la probabilidad de
que est sano?
a) Sea C={contagiado de clera} y sea Ri= { el individuo vive en Ri}, P(R3|C)?
P(R3 | C)
P(C| R3 )P(R3 )
0,14 0,5
0,55
P(C | R1 )P(R1 ) P(C | R2 )P(R2 ) P(C | R3 )P(R3 ) 0,25 0,1 0,08 0,4 0,14 0,5
tota
l
N+
NN
+
n1
n2
n3
n4
tot NE
NS
al
n1:
n
de
individuos enfermos con
test positivo:verdaderos positivos
n2: n de individuos sanos con test positivo:falsos positivos
n3: n de individuos enfermos con test negativo: falsos negativos
n4: n de individuos sanos con
test negativo: verdaderos
negativos
NE = n1+ n3: n de individuos enfermos
NS = n2+ n4: n de individuos sanos
N+= n1+ n2: n de individuos con test positivo
N-= n3+ n4: n de individuos con test negativo
N: n total de individuos= N+ + N-= NE + NS
Para evaluar la bondad o precisin del test diagnstico existen
varios indicadores, fcilmente calculables a partir de la tabla anterior
-Sensibilidad del test [S]: Es la probabilidad de que el test de
positivo en un individuo que sabemos posee la enfermedad. Es decir
una medida de la capacidad del test para identificar enfermos.
n
S P( | enfermo
) 1
NE
-Especificidad del test [E]: Es la probabilidad de que el test de
negativo en un individuo que sabemos est sano. Es decir una medida
de la capacidad del test para identificar sanos
n
E P( | sano
) 4
NS
n n
-Probabilidad de acierto: A 1 4
N
-Valor predictivo positivo [VPP]: probabilidad de estar enfermo,
dado que el resultado del test fue positivo
n
VPP P(enfermo
| ) 1
N
-Valor predictivo negativo [VPN]: probabilidad de estar sano,
dado que el resultado del test fue negativo
n
VPN P(sano| ) 4
N
+
tot
al
5
15
20
20
110
130
tota
l
25
125
150
Sensibilidad:
S=5/20=0,25
Especificidad:
E=110/130=0,85
Probabilidad de acierto: A=115/150=0,77
Notar que la probabilidad de acierto puede resultar engaosa, dada su dependencia
a la prevalencia de enfermedad en la muestra estudiada
Ejemplo 8. Un test diagnstico diseado para detectar cierta enfermedad tiene
una sensibilidad igual a 0,97 y da positivo el 5% de los casos en que se aplica a una
persona que no padece la enfermedad. Si inicialmente se piensa que la
probabilidad de estar enfermo es 0,8, determinar cmo se modifica dicha
probabilidad para un sujeto en el que el resultado del test da positivo
VPP=P(E|+)?, datos:
teorema de Bayes:
VPP P(E | )
P( | E)P(E)
0,987
P( | E)P(E) P( | S)P( S)
Espacio muestral
={CC,C+,+C,++}
={(1,1),(1,2),,{6,6)}
E3:
Peso
de
una
persona
E4: Ingresos urgentes
en un servicio un cierto
da.
= [0,)
X: peso=[0, )
={0, 1, 2, 3, 4...}
3.)
p(x ) 1
i1
P(a X b) f(t)dt
a
2.)
f(t)dt 1
xmin
4 3 2
2
0,0182
12 11 10 110
P(1)=P(X=1)=P(EMM)+P(MEM)+P(MME)=
8 4 3 4 8 3 4 3 8
8
3
0,2182
12 11 10 12 11 10 12 11 10
110
P(2)=P(X=2)=P(EEM)+P(EME)+P(EEM)= 3
P(3)=P(X=3)=P(EEE)=
8 7 4
56
0,5091
12 11 10 110
8 7 6
28
0,2545
12 11 10 110
Notar que se trata de una funcin de probabilidad bien definida, ya que p(x) 0 y
2
24 56 28 110
1
110 110 110 110 110
b) P(X 2)=p(2)+p(3)=0,5091+0,2545==0,7635
c) P(X> 2)= p(3)=0,2545
Ejemplo 2: Sea X una variable aleatoria discreta que toma valores X={0,2,4,6}. Su
funcin de probabilidad viene dada por p( x) k x 1 . Calcular La probabilidad de
que X sea al menos 2.
En primer lugar necesitamos conocer el valor de k. Para su obtencin partiremos de
que la suma de las probabilidades de todos los valores de la variable debe ser 1:
1
16
Notar que podemos hacer uso de las propiedades de la probabilidad para intentar
reducir los clculos.
P(X 2)=1-P(X<2)=1-p(0)=1-(1/16)=15/16=0,9375
Ejemplo 3: Sea X una variable aleatoria continua que toma valores en [0,2], cuya
funcin de densidad viene dada por: f(x)=k(2-x)
a) Obtener el valor de k.
b) Calcular la probabilidad de que X sea mayor o igual que 1.
c) Calcular la probabilidad de que X sea mayor que 1.
2
a) Sabemos
f (t )dt 1
0
b) P( X 1)
f (t )dt
x2
k 2 xdt k 2x
2
P( X 1)
1
x
2x
2
2
2
4
1
k 4 2k 1 k
2
2
1
4
1
1
1
4 2
2
2
2
2
4
1
c) P( X 1) P( X 1)
4
x0
p(x)
xmin
x0
f(t)dt
xmin
p( x)
X
0
2
4
6
p
1/16
3/16
5/16
7/16
F
1/16
4/16
9/16
16/16=
1
x 1
16
f ( x)
1
2 x , x [0,2]
2
x
1
1
t2
F( x) 2 t dt 2t
2 0
2
2
1
x2
x2
2x
x
2
2
4
Esperanza y varianza.
Se llama Esperanza o valor esperado [ E(X) ] de una variable
X, al valor medio que resultara tras infinitas realizaciones de la
variable. Es una medida de posicin que identifica el centro de
gravedad de la distribucin.
- Si la variable es discreta: E[X]
xmax
x p(x)
xmin
xmax
t f(t)dt
xmin
xmax
g(x) p(x)
si la variable es discreta y
xmin
xmax
por
E[g(X)]
xmin
P(x)
1/16
2
4
6
3/16
5/16
7/16
E(X)
xp(x)
01/16=
0
6/16
20/16
42/16
0 6 20 42 68
4,25
16
16
Notar que en el caso de una variable discreta, la esperanza no tiene por que ser un
valor posible de la variable.
Ejemplo 7: Calcular la esperanza de la variable X presentada en el ejemplo 3.
f ( x)
1
2 x , x [0,2]
2
2
2
1
1
1 2t 2 t 3
E( x) t 2 t dt 2t t 2dt
2 0
2 0
2 2
3
1
8
2
4
2
3
3
Y 5X 1
Var[X] E X E[X] 2
2
- Si la variable es discreta: Var[X]
xmax
p(x)
xmin
2
- Si la variable es continua: Var[X]
xmax
f(t)dt
xmin
Var(X)
p(x)
1/16
3/16
5/16
7/16
(x-)
-4,25
-2,25
-0,25
1,75
(x-)2
18,0625
5,0625
0,0625
3,0625
(x-)2p(x)
18,06/16
15,19/16
0,31/16
21,44/16
Var(X) 2
3,43
16
16
3,43 1,85
f ( x)
1
2
2 x , x [0,2] ; E(x)
3
2
1
Var(X) E(X ) E(X)
2
2
2
t 2 t dt
3
2
1 2t3 t4
2 3
4
2
0,47
9
1 16 16
2
2 3
4
3
2
9
Esperanza: E[X]=0(1-p)+1p=p
Varianza: E[X2]=02(1-p)+12p=p ->Var(X)=p-p2=p(1-p)
Notar que la variable X queda completamente caracterizada si se
conoce el parmetro p.
Distribuciones discretas: Binomial
Definicin: Una variable aleatoria, X, Binomial representa el
resultado de la realizacin de n pruebas independientes de tipo
Bernouilli cada una de ellas con probabilidad de xito p.
Notacin: X ~ Bi(n,p)
Ejemplo: X: n de pacientes de un total de 20 que tiene gripe,
siendo p la probabilidad de contraer gripe en la poblacin.
Funcin de probabilidad:
n
px(1 p)nx ,con x=0,1,,n
x
p(x)
n
n!
1 y, por definicin,
Notar que
, n! n(n 1)(n 2)...
x!(n x)!
x
0!=1
20
0,25x(1 0,25)20 x, x 0,1,2,...,
20
x
p(x)
20
0,250(0,75)20 0,7520 0,00317
0
a) P(X 0) p(0)
b) P(X2)=1-P(X<2)=1-P(X=0)-P(X=1)=1-p(0)-p(1)
20
0,250,7519 200,250,00422
0,0211
1
P(X2)=1-0,0032-0,0211= 0,9757
p(0) 0,0032
;
c)
p(1)
Esperanza: E[X]=
Varianza: Var(X)=
x
x!
x=0;1;2;
Notar que
p(x) e
x1
p( x) e14
14x
,
x!
X~Po(14),
con x=0,1,2,3
140
e14 , y a partir de aqu utilizando la ley de recurrencia:
0!
14
14
14
p(1)
p(0) 14e14 ; p(2)
p(1) 98e14 ; p(3)
p(2) 457,33e14
1
2
3
p(0) e14
n!
p1x1 ...
pkxk
x1!x2!...
xk!
Notar que
1 y
p( x1 18,x2 5,x3 2)
25!
0,45180,25 0,352 0,00023
5!18!2!
Notacin: X ~ N(, )
Funcin de densidad:
f(x| ,)
x 2
1
exp
22
2
- x
Esperanza: E[X]=
Varianza: Var(X]= 2
Se llama normal tipificada a Z, variable normal con media 0 y
desviacin tpica 1:
tratarse
de
una
distribucin
z P(Z z)
0.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.0
.5359
0.1
.5753
0.2
.6141
0.3
.6517
0.4
.6879
0.5
.7224
0.6
.7549
0.7
.7852
0.8
.8133
0.9
.8389
1.0
.8621
1.1
.8830
1.2
.9015
simtrica
1.3
.9177
1.4
.9319
1.5
.9441
1.6
.9545
1.7
.9633
1.8
.9706
1.9
.9767
2.0
.9817
2.1
.9857
2.2
.9890
2.3
.9916
2.4
.9936
2.5
.9952
2.6
.9964
2.7
.9974
2.8
.9981
2.9
.9986
3.0
.9990
3.1
.9993
3.2
.9995
3.3
.9997
3.4
.9998
225 200
1,25 0,8944
20
P( X 225) F(225)
b)
150 200
1 2,5 1 1 2,5 2,5 0,9938
20
P( X 150) 1 F(150) 1
c)
220 200
180 200
1 1 2 1 1
20
20
La
T
distribucin
Z
,
Y/k
t-Student:
Media: 0 si k>1
Varianza: K/(k-2) si k>2
Y ~k2
T ~tk
si
si
Algunas aproximaciones:
1. Aproximacin de la binomial a la normal:
si X ~ Bi(n,p), =np, 2=np(1-p), para valores de
suficientemente grandes*: X se comporta como X~ N(, ).
* n suficientemente grande equivale a cumplir ambas:
n(1-p)>5.
np>5 y
X se
X ~Bi(0,2 , 40);
a)
40
40
0,840
0,210,839 0,9985
0
1
P( X 1) 1 p(0) p(1) 1
b) X ~Bi(0,2 , 40)
Como np=400,2=8, y n(1-p)=400,8=32, ambos mayores que 5, podemos aplicar
la aproximacin y suponer que X aproximadamente es
N np, np(1 p) N 8, 2,53 . Ahora podemos obtener las probabilidades
como si de una distribucin normal se tratara:
10 8
P(X 20) 1 P(X 20) 1
1 0,79 1 0.785 0,214
2,53